1. Sebuah perusahaan pemegang merk tertentu telah mengestimasi hubungan output dengan
permintaan sbb : P = 200 - 0,00003Q; dengan biaya produksi sbb : TC = 7.812.500 + 100Q
+ 0,00002Q2 P = 170 - 0,005Q; dengan biaya produksi sbb : TC = 27000 + 32Q + 0,003Q2
a. Tentukan besarnya Q sehingga Laba maksimum dan berapa besarnya laba maksimum
tersebut.
P = 200 -0,00003Q
TC = 7.812.500 +100 Q +0,00002Q2
TR = P x Q
= 200 -0.00003Q 2
MR=TR 1
MR = 200 – 0.00006 Q
= TR – TC
= (200 – 0,00003 Q) * Q -7.8125.500 + 100 Q + 0,00002Q2
= -0,00005 Q2 + 100 Q– 7.8125.500
MR = MC
Q= 1.000.000
P = 200 - 0,00006Q
= 200 – 0,00006 (1.000.000)
= 200 – 60
= 140
P = 170 – 0.005 Q
TC = 27.000 + 32 Q + 0,003 Q2
TR = P x Q
=170 Q – 0.005Q2
MR = TR 1
MR = 170- 0,01 Q
π= TR – TC
MR =MC
170 – 0.01 Q = 32 + 0.006 Q
b. Asumsikan fungsi Longrun Total Cost (LTC) = fungsi TC di atas, tentukan fungsi LMC dan
LAC dan carilah Q* pada saat MES (minimum efficient scale)LTC = TC (fungsi TC di atas)
LMC = LTC/Q
MC = 100+0,00004Q
AC = TC/Q
MC = AC
100+0,00004Q = 7.812.500-1+100+0,00002Q
7.812.500-1 Q = - 0,00002Q
7.812.500 = 0,00002Q2
Q2=√(7.812.500/0,00002
Mes Q = 625.000
c. Kesimpulan ini menyatakan bahwasanya menggunakan multiplant karena laba maksimum
multiplant > laba maksimum single plan, sehingga dapat dikatakan Skala Ekonomis.
Meningkatnya laba maksimum multiplant, akrena VC menurun sebesar 625.000 setelah
menggunakan 2 pabrik, walaupun FC meningkat pada saat menggunakan 2 pabrik.
d. Berdasarkan (a) dan (b) seandainya sdr. seorang manajer yang visioner, apakah yang akan sdr.
rekomendasikan kepada dewan komisaris, apakah tetap melakukan sentralisasi (satu pabrik)
atau melakukan desentralisasi (multi pabrik). Buktikan analisis sdr! MC = 100 + 0,00004 Q
MC = 100 + 0,00004 (625.000)
MC pada Mes = 100 + 25
MC pada Mes = 125
MR = MC
200- 0,00006 Q = 125
75 = 0,00006 Q
Q = 75 / 0,00006
Q = 1.250.000
Optimal Pabrik = 1.250.000/625.000
Optimal Pabrik = 2
P = 200- 0,00003 Q
P = 200 – 0,00003 (1.250.000)
P = 200 – 37,5
P = 162,5
∏= TR – TC
∏ = P*Q – 2 TC
= 200 – 0,00003 (1.250.000) – 2 (7.812.500+100Q+0,00002Q2)
= (200-37,5)*(1.250.000) – 2(7.812.500+100 (625.000) +0,00002 (625.000)2)
= 162,5 – 2 (7.812.500+62.500.000+7.812.500)
= 203.125.000 – 156.250.000
∏ maksimal = 46.875.000
2. PT.ABC adalah perusahaan manufaktur beroperasi dengan fungsi produksi Q = 10K0,5L 0,7
(Q = output produksi; K = modal dan L = tenaga kerja). Diminta sebagai berikut:
a. Estimasilah Q jika K = 12, L = 32.
Q = 10 (12 ) 0,5 (32 ) 0,7
= 10 (3,46 ) (11,31 )
= 391.326
b. Carilah nilai elastisitas output terhadap K (εK) dan L (εL). Seberapa besar output meningkat
dengan meningkatkan masing masing input sebesar 10 persen pada saat bersamaan?
Q = 10 k 2 L 0.7
EK = α = 0.5 , input 10 % , kenaikan sebesar 5 %
El = α = 0.7 input 10 % , kenaikan sebesar 7 %
c. Tentukan return to scale dalam produksi. Seberapa besar output perusahaan akan meningkat
jika perusahaan meningkatkan kuantitas semua input yang digunakan sebesar 10 persen pada
saat yang bersamaan?
(0,5 + 0.7 ) x 10 % = 12 %
d. Q = 10K0,5L 0,7 w= 1.000.000 r =10 Q= 24.000.000
3. Terlampir data kuartalan permintaan barang X:dari sebuah perusahaan. Ramalkan permintaan
kuartal 1 sampai dengan kuartal 4 tahun 2020 berdasarkan metode: a) Tren linier dengan
simple regression b) Variasi musim.
Data Forecasting Kuartalan Periode 2012 – 2019:
KUARTAL
PERIODE
I II III IV
2012 14.57 17.13 15.47 12.75
2013 13.79 14.44 14.47 11.65
2014 15.14 15.12 14.79 13.08
2015 15.24 15.14 14.84 16.29
2016 16.40 16.74 16.80 16.20
2017 16.20 16.09 18.23 20.99
2018 24.21 25.02 22.62 21.89
2019 21.31 20.11 18.49 16.72
1. Estimasikan tren linear dari data tersebut dan gunakan untuk meramalkan pada
setiap kuartal di tahun 2020?
Gambar 1 Permintaan Barang Untuk Kuartal Pertama, Kedua, Ketiga dan Keempat
Tahun 2012 sampai 2020
30,00
25,00
20,00
15,00
10,00
5,00
0,00
0 5 10 15 20 25 30 35 40
Menggunakan persamaan regresi untuk data tentang penjualan bensin yang telah
ditransformasikan ke dalam logaritma, yaitu:
Dari tabel 5 dapat diketahui bahwa kecocokan dari persamaan ini santa mirip dengan
persamaan yang dijelaskan di awal. Karena parameter-parameter yang diperkirakan sekarang
didasarkan pada logaritma dari data, mereka harus dikonversikan ke dalam antilog-nya agar bisa
ditafsirkan ke dalam data aslinya. Antilog dari ln S 0 = 2,567851 adalah S0 = 13,04 (diperoleh
dengan hanya memasukkan nilai 2,567851 ke dalam kalkulator saku dan menekan kunci e x
untuk antilog), dan antilog dari ln (1 + g) = 0,005 memberikan (1 + g) = 1,014. Subsitusikan
nilai-nilai ini kembali ke dalam persamaan, yaitu:
St = 13,04 (1,014)t
Dimana S0 = 13,04 permintaan barang adalah estimasi penjualan bensin di Amerika Serikat
dalam kuartal ke empat tahun 2020 (ialah pada t = 0) dan estimasi laju pertumbuhan yang
diperkirakan adalah 1,014 atau persen 1,014%, tiap kuartal.
Untuk mengestimasikan penjualan dalam kuartal mana pun di masa yang akan datang kita
subsitusikan ke dalam persamaan nilai dari t untuk kuartal di mana kita mencoba meramalkan S
dan mengantikan dengan St, jadi:
Ramalan-ramalan ini sama dengan yang diperoleh dengan menggunakan tren linier.
Seperti yang telah dilihat, nilai-nilai ramalan permintaan barang yang dibaca terpisah dari
garis tren yang diperpanjang dalam gambar 1 hanya mempertimbangkan faktor tren jangka
panjang dalam data. Namum data untuk tahun 2012 sampai 2019 menunjukkan variasi musiman
yang kuat, dengan penjualan pada kuartal tahun pertama secara konsisten berada di bawah nilai
tren jangka panjang yang terkait yaitu sebesar 1,031617. Sementara penjualan pada kuartal kedua
sebesar 1,044058, kuartal ketiga sebesar 0,997449 dan kuartal keempat sebesar 0,929716secara
konsisten berada di atas nilai-nilai tren. Dengan mempertimbangkan keterkaitan variasi
musiman, maka dapat dapat memperbaiki perkiraan permintaan barang secara signifikan. Ini
dapat dilakukan dengan menggunakan metode rasio tren dengan menggunakan variabel dummy.
Nilai 1,031617 untuk kuartal pertama, untuk kuartal kedua sebesar 1,044058, dan
seterusnya) kita mendapatkan ramalan yang baru berikut ini berdasarkan tren linier dan
penyesuaian musiman, yaitu:
Ramalan-ramalan ini diperlihatkan oleh titik-titik yang dilingkari dalam gambar 1. Perlu
dicatat bahwa dengan memasukkan penyesuaian musiman, nilai-nilai ramalan untuk permintaan
barang sama dengan pola musiman yang lalu dalam data deret waktu sepanjang linier yang
meningkat.
Hasil yang sama bisa diperoleh dengan memasukkan variabel dummy. Dengan mengambil
kuartal terakhir sebagai periode dasar dan menentukan variabel dummy D1 melalui deret waktu
dengan angka 1 dalam kuartal pertama setiap tahun dan nol untuk kuartal-kuartal yang lain, dan
D2 dengan angka 1 dalam kuartal kedua dan nol untuk kuartal-kuartal yang lain, dan D3 dengan
angka 1 untuk kuartal ketiga dan nol untuk kuartal-kuartal yang lain, kita memperoleh hasil-hasil
berikut dengan menjalankan regresi dari permintaan barang pada variabel-variabel pengganti
musiman dan tren waktu linier.
Tabel 6 Kalkulasi Penyesuaian Musiman Tren Peramalan Oleh Metode Rasio Terhadap
Tren
Tahun Perkiraan Aktual Aktual/Perkiraan
2012,1 12.93 14.57 1.126837
2013,1 13.97 13.79 0.987115
2014,1 15.00 15.14 1.009333
2015,1 16.03 15.24 0.950717
2016,1 17.06 16.40 0.961313
2017,1 18.10 16.20 0.895028
2018,1 19.13 24.21 1.265551
2019,1 20.16 21.31 1.057044
rata2= 1.031617
2012,2 13.19 17.13 1.298711
2013,2 14.22 14.44 1.015471
2014,2 15.26 15.12 0.990826
2015,2 16.29 15.14 0.929405
2016,2 17.32 16.74 0.966513
2017,2 18.36 16.09 0.876362
2018,2 19.39 25.02 1.290356
2019,2 20.42 20.11 0.984819
rata2= 1.044058
2012,3 13.45 15.47 1.150186
2013,3 14.48 14.47 0.999309
2014,3 15.52 14.79 0.952964
2015,3 16.55 14.84 0.896677
2016,3 17.58 16.80 0.955631
2017,3 18.61 18.23 0.979581
2018,3 19.65 22.62 1.151145
2019,3 20.68 18.49 0.894101
rata2= 0.997449
2012,4 13.71 12.75 0.929978
2013,4 14.74 11.65 0.790366
2014,4 15.77 13.08 0.829423
2015,4 16.81 16.29 0.969066
2016,4 17.84 16.20 0.908072
2017,4 18.87 20.99 1.112348
2018,4 19.90 21.89 1.100000
2019,4 20.94 16.72 0.798472
rata2= 0.929716
Hanya 3 variabel dummy yang digunakan untuk empat musim, dengan konstanta dari regresi
mewakili yang keempat.
Perlu dicatat bahwa koefisien-koefisien hasi estimasi untuk variabel dummy dan variabel
tren semuanya adalah signifikan secara statistik pada tingkat lebih dari 1 persen. Persamaan
menjelaskan 0,5229 atau 52,29% persen dari variabel dari variasi dalam penjualan bensin.
Dengan menggunakan persamaan di atas untuk meramalkan penjualan bensin pada tiap kuartal
tahun 2020, maka didapat yaitu:
3. Bentuk mana yang lebih cocok dengan data yang ada? Dan kenapa kita
mengharapkan kedua hasil ramalan kurang baik?
Nilai-nilai hasil ramalan ini sama seperti yang diperoleh melalui rasio tren. Jadi, dalam
kasus ini kedua metode ini merupakan alternatif yang baik untuk memasukkan variasi musiman
ke dalam peramalan. Jika polanya berubah secara drastis, ramalannya tentu akan meleset jauh.
Dalam hal ini lebih memungkinkan berikutnya memasukkan hal-hal di masa datang yang
diperhatikan dalam peramalan. Lagipula tidak mungkin mempertimbangkan kekuatan-kekuatan
siklis, tak teratur atau acak. Jadi, analisis deret waktu tidak dapat meramalkan titik balik sampai
hal itu terjadi. Meskipun ini tidak terlihat penting dalam data historis tentang penjualan bensin
dalam soal di atas, peristiwa ini bukannya situasi-situasi dalam kasus-kasus lain yang nyata.
Pada akhirnya, analisis deret waktu tidak mengkaji faktor-faktor yang menimbulkan terjadinya
fluktuasi deret waktu yang ditinjau. Dalam kejadian manapun analisis deret waktu yang
digunakan tersendiri, tetapi sangat berguna klau digabungkan dengan metode-metode peramalan
lain.